Airbnb 六成代码 AI 写，流程先拆了再装回去

大公司 AI 转型的实操报告不多，Latent Space 十月二日发布的 Airbnb CTO 访谈是一份稀有样本。受访人 Ahmad Al-Dahle 是前 Meta 生成式 AI 负责人，曾主导 Llama 系列发布，2026 年 1 月加入 Airbnb，这场由内而外的改造因此带着一线带兵者的手感。

三个硬数字

六成代码现在由 AI 撰写，功能交付量同比增长接近 80%，工程师的 PR 吞吐提升约 1.6 倍。数字之外更有信息量的是过程改造：Airbnb 砍掉了产品文档到设计稿再到工程的传统交接链，团队直接产出可运行原型，用他的话说，代码本身就是产物，多余的中间产物生成被整体取消。

客服侧约 45% 的工单由 AI 纯自动化解决（2026 年二季度口径）。上线前用大量合成数据做测试，而且刻意划出 AI 暂不碰的领域，比如安全类工单。这种明确的能力边界声明，比单纯报自动化率更值得同行参考。

Everest：组织知识进图谱

内部代号 Everest 的组织上下文图谱可能是最有复用价值的一件：用 LLM、嵌入与检索把组织沉淀的知识结构化。效果直观：杂货配送服务从立项到上线用了八到九个月，借着图谱里的经验，机场接送业务只花约六周。通才能借它在专家代码区之间穿行。

模型策略同样务实：前沿与开源模型混用，生产环境有十个以上定制模型，按成本、性能、延迟的帕累托前沿选择。编码用最强前沿模型，因为缺陷代价高；延迟敏感的搜索用小模型后训练，某些窄场景甚至练到超越前沿模型的水平。内部还有带全量 MCP 组织上下文的 AirChat，以及容器里的事件驱动异步 agent， Grafana 告警触发时自动分诊值班事件。他的愿景是大量异步 agent 分管欺诈、信任与市场质量。

组织与手艺

两条组织判断值得记。其一，团队要按成果划分而不是按功能划分，按功能划分的公司在 AI 时代会挣扎。其二，他担心初级工程师的判断力养成，所以立了条规矩：每个工程师必须能解释 AI 替他做了什么，设计、架构与测试里的手艺必须留在人手里。

访谈原文在 Latent Space，站内此前写过的 OpenRouter 访谈与这篇对照着读，可以看到 AI 原生改造在平台公司与交易公司两种形态下的不同打法。